基于MATLAB的人臉識別研究

摘? 要：人臉識別是身份驗證中最為關鍵的一步，因此基于MATLAB軟件對人臉識別的各個流程及具體實現方法進行了研究。通過對所獲取的圖像進行灰度、均衡化以及中值濾波去噪預處理，去除圖像中存在的干擾和噪聲，得到更為清晰的圖像之后基于膚色對待識別對象的臉部進行定位，同時利用灰度積分提取其眼睛部位，將測試圖像導入GUI界面，與系統中提前錄入的圖像進行直方圖對比，在匹配成功后顯示最終的匹配識別結果。程序仿真結果表明，所研究的方法可以很好地完成各部分功能，提高系統識別的準確程度，達到有效識別人臉的目的。

關鍵詞：人臉識別；MATLAB；圖像處理

中圖分類號：TP391.4? ? 文獻標識碼：A? 文章編號：2096-4706（2023）05-0068-06

Research on Face Recognition Based on MATLAB

ZHANG Lifang

（Shandong Huayu University of Technology， Dezhou? 253034， China）

Abstract： Face recognition is the most critical step in identity verification， so the various processes and specific implementation methods of face recognition are studied based on MATLAB software. The obtained image is pretreated by grayscale， equalization and median filtering to remove the interference and noise in the image. After obtaining a clearer image， the face of the object to be recognized is located based on the skin color. At the same time， the eye part is extracted by grayscale integration. The test image is imported into the GUI interface and compared with the histogram of the image entered in advance in the system， the final matching recognition result is displayed after the matching is successful. The simulation results show that the proposed method can complete all functions well， improve the accuracy of system recognition， and achieve the purpose of effective face recognition.

Keywords： face recognition; MATLAB; image processing

0? 引? 言

人臉識別作為模式識別和圖像處理等學科的一個熱門課題，被廣泛應用于身份驗證、犯罪偵查、智能機器以及醫療等領域，具備很高的社會價值和商業意義。隨著社會經濟的迅速發展，信息技術水平越來越高，各種高新產品層出不窮，尤其是在身份驗證方面表現得更為突出。目前有大部分場所采取身份驗證的方式替代人工核查身份，尤其是在企業中應用得更多。由于企業在不斷地擴大自身的發展規模，企業中的員工數量也越來越多，信息化的到來又使得企業開始引入各式各樣的科技系統來滿足自身的發展需要，以此簡化管理模式，提高工作效率。而人臉識別就是身份驗證系統中最為關鍵的一步，目前主流的生物特征識別已經廣泛地應用于考勤系統中，正在逐步擴展至身份驗證的場合。

1? 人臉識別基本理論

人臉識別技術是指利用電子計算機技術來識別人臉。該技術屬于生物特征識別技術的一種，具有工作效率高、性能穩定、獲取信息方便且不需要人工接觸等特點，主要是基于人的面部特征進行人臉識別，其技術流程包括五個部分[1]，如圖1所示。

首先，進行人臉圖像的采集及檢測。圖像采集是指通過設備捕捉用戶的面部圖像，得到用戶的面部信息，并將其記錄到數據集中；圖像檢測是指對前期采集到的圖像進行人臉位置的標定，在圖像中將其標注出來，并利用這些信息完成后續過程。

其次，進行人臉圖像預處理。圖像預處理是人臉識別的關鍵步驟，鑒于人臉圖像提取流程的復雜性，對其進行了相應的預處理，比如光線會影響圖像的品質，提取設備的質量也會影響圖像成型的效果，隨著識別對象年齡的增加其面孔顏色及姿勢也會出現變化等，這些情況都會對人臉識別產生一定的負面影響，因此采用預處理技術對人臉圖片做出相應的調整。

再次，進行人臉圖像特征提取[2]。特征提取是針對人臉的某個特定部位而進行的，通過對人臉特征器官的定位與標記即可判斷出人臉圖片中具有特征點的部位。基于對人臉特征點定位與標定的結果，對人臉進行建模，提取特征器官信號，并縮小比對區域，獲取匹配識別的關鍵特征。

最后，進行人臉圖像匹配與識別。從給定的圖像中提取器官特征，將該特征與提前錄入到圖像中的器官特征進行比對，設置好相應閾值，根據比對的數值進行判斷[3]，如果達到或超過預設的相似值，表示匹配成功，反之則表示匹配失敗。

2? 人臉識別的方法研究

2.1? 人臉圖像預處理過程

人臉圖像可以使用攝像機的鏡頭來獲取，但所獲取的人臉圖像可能存在模糊、不清晰等問題，因此，這里選用灰度轉換、直方圖均衡、中值濾波三種方法，依次對圖像進行預處理。

2.1.1? 灰度變換預處理

根據圖像的顏色，可將圖像分為灰度圖像和彩色圖像，圖像的每個像素都有顏色和位置兩種屬性。在彩色圖像中，每個像素由紅、綠、藍三個字節組成，每個字節有八位，可以表示0至255的所有亮度值[4]。由于彩色圖像不僅有位置信息，還有顏色信息，巨大的信息量不僅會對人臉檢測造成很大的干擾，還會降低工作效率，因此對圖像進行灰度預處理能夠減少位置信息之外的干擾因素。常見的灰度變換方法有函數法、分量法、最大值法、平均值法和加權平均法五種。

本文選取加權平均法對人臉圖像進行灰度化處理，利用式（1）獲得較為合理的灰度圖像。

（1）

變換過程如圖2所示。

2.1.2? 直方圖均衡化預處理

在對人臉圖片進行灰度預處理之后，灰度分布會聚集在一個面積極小的區域里，因此對比度較弱，圖片的細節也不夠清晰，此時就可通過直方圖均衡化的方式進行第二次預處理，使灰度分布趨于一致，圖像的灰度間隔增大，進而增強了圖片的對比度，提高了視覺效果，從而實現了圖像質量增強的目的[5]。具體步驟如下：

首先統計原始圖像的直方圖，利用式（2）進行計算：

（2）

利用式（3）計算直方圖累積分布曲線：

（3）

采用累積分布函數作為變換函數進行圖像灰度變換。根據計算得出的原圖像直方圖數值，對比歸一化灰度級得出新的累積分布曲線，得出原圖像和均衡后圖像之間灰度級的對應關系[6]。也就是說，累積分布曲線被重新定位。

2.1.3? 中值濾波預處理

經過前兩次的預處理，人臉圖像由于環境條件、傳輸等因素可能會存在一定的失真，因此需要通過濾波、平滑等方法來抑制圖像噪聲，獲得一幅較為清晰的人臉圖像。本文采用中值濾波的方法進行第三次預處理。中值濾波的基本原理是將數字圖像或數字序列中的像素點按照從小到大的順序排列，將中間位置的值作為濾波后的結果[7]，從而使周圍的圖像數值逼近于真實值，以便減少孤立的噪聲點。采用中值濾波不會造成圖像內容的失真，可以保留更多的細節特征。

2.2? 人臉定位

本文選用基于膚色的人臉定位技術，該技術的研究需要選擇膚色空間，建立膚色模型。目前的硬件設備均在RGB顏色空間中捕獲圖像，但RGB顏色空間不適合膚色的差異，因此有必要將RGB顏色空間轉換為YCbCr顏色空間。YCbCr顏色空間主要用于區分對比度和飽和度，適用于膚色對比度差值遠小于飽和度差值的圖像，有利于膚色區域的明暗分離[8]。RGB顏色空間可以根據它們之間的關系直接轉換為YCbCr顏色空間。

在實現圖像顏色空間轉換后，建立高斯膚色模型。由于高斯膚色模型具有統計顯著性，可以認為符合正態分布的隨機樣本也符合高斯模型。高斯函數的公式為：

（4）

其中，Cb和Cr分別表示藍色和紅色的濃度偏移量成份，x=[Cb，Cr]T表示樣本像素在YCbCr空間的值；m=E（x）=[E（Cb）， E（Cr）]T表示YCbCr空間的樣本均值；C=E[（x-m）（x-m）T]表示膚色相似度的2×2協方差矩陣。

將YCbCr空間中樣本每個點的值引入高斯函數，使第i個點的相似度值為：

（5）

因為S（i）的取值范圍為[0， 255]，根據膚色相似度所對應的值就可以確認膚色。通過高斯膚色模型，判斷每個像素的膚色相似度，并生成一個黑白區域，其中膚色點為白色，非膚色點為黑色。然后對黑白圖像進行形態學處理，以連接面部區域。

2.3? 特征提取

本文選擇了人眼這個部位來進行提取。由于兩只眼睛相隔一定的距離，不受光照和面部表情等因素的干擾，特征更為突出，比較容易提取，利用眼睛進行定位可以提高判斷的準確率。根據人眼的特性，本設計選擇基于膚色分割的算法來實現人眼的定位。

2.3.1? 膚色提取

由于膚色是臉部的主要特征，與面部的細節變化無關，擁有較高的穩定性。同時膚色能與大多數的干擾物分離，具有較強的魯棒性，但膚色在色度上過于集中，相鄰區域的區別不夠明顯，所以需要將圖像從RGB彩色空間映射到YCbCr彩色空間進行處理。根據特性建立膚色模型，將圖像的類膚色區域標記為255，其他區域標記為0，轉化為二值圖像。

2.3.2? 形態學濾波

生成的二值圖像具有大量的白色像素塊及部分噪聲，形態學處理能夠消除噪聲，切分單獨的圖像元素以及連通相近的元素，然后進行人臉分割。將濾波之后的圖像去除手部、腿部以及其他非人臉區域。基于先驗知識，使用連通域標記和分析法，首先標記二值圖像中的白色像素塊，依次計算每個白色像素塊的幾何屬性。通過計算外接矩形的長寬比和面積，判斷該區域是否存在人臉。

2.3.3? 人眼定位

圖像中每一個像素點的灰度代表該點的顏色深度，灰度越大，意味著該像素點的顏色越深。人眼最主要的特征就是其灰度會比周圍區域低，由此就能大致確定眼睛的水平位置，將垂直灰度積分曲線中獲得的人眼值與黑洞區域的水平值進行對比，包含該值的黑洞區域即為人眼區域，以連通域的質心作為眼睛中心進行標注，得到眼睛的準確位置。

2.4? 匹配識別

該部分采用灰度直方圖的對比來實現，將所獲取圖像與數據庫圖像的直方圖進行對比，如果二者一致，匹配成功，反之則失敗。利用灰度直方圖增強圖像對比度是基于圖像灰度進行統計的一種重要方法。它基于概率論，常用的實現算法有直方圖均衡化和直方圖規格化。

直方圖均衡化主要用來提高動態范圍較小圖像的對比度。其基本思路是將原始圖像的直方圖轉變為均勻分布的形狀，并以此擴大圖像灰階值的動態范圍，進而提高圖像的整體對比度[9]。直方圖均衡化的好處是能夠自動提高整體圖像的對比度，但由于其特定的增強效應而不易控制，處理結果總是得到全局均衡的直方圖。在處理實際問題時，需要根據實際情況對直方圖進行相應的改變，把它變成我們需要的形狀，便于在特定灰度范圍內選擇增強特定部分的對比度，從而使圖像的灰度值分布滿足實際需求。

3? 人臉識別的實現

將人臉圖像引入MATLAB中進行匹配識別，從而獲得匹配人臉的效果，對此過程進行研究。通過MATLAB的運行結果分析此方法與傳統方法在識別上的差異性，最終得出實驗結論。

3.1? 實現方案

為進一步展現匹配的最終效果，按照如圖3所示的步驟進行仿真。

選取圖像作為實驗測試的原始圖像，開發環境為MATLAB軟件。本次實驗主要討論的議題是本文所選用的研究方法能否最終實現人臉匹配的效果，同時根據仿真結果分析本研究存在的不足，以此得出實驗結論。

3.2? 對圖像進行預處理實驗

3.2.1? 算法實現

對原始圖像進行灰度和均衡化處理形成灰度圖。將下面所寫的程序代碼放入MATLAB中運行，顯示預處理后的仿真效果。

clc

clear %清理工作空間

I=imread（'C：＼Users＼Admin＼Desktop＼img41.png'）; %讀取圖像

figure，imshow（I）; %顯示原圖像

I1=rgb2gray（I）; %將原圖進行灰度處理，得到灰度圖像

BW=im2bw（I1）; %轉換為二值圖像

figure，imshow（BW） %顯示二值圖像

[n1 n2]=size（BW）;

r=floor（n1/10）; %取最近的較小整數

c=floor（n2/10）;

x1=1;

x2=r;

s=r*c;

for i=1：10

y1=1;

y2=c;

for j=1：10

if（（y2<=c|y2>=9*c）|（x1==1|x2==r*10）） %判斷目的是將圖像最外圍全部歸零

loc=find（BW（x1：x2，y1：y2）==0）; %查找矩陣中滿足條件的位置

[o p]=size（loc）;

pr=o*100/s;

if pr<=100

BW（x1：x2，y1：y2）=0;

r1=x1;r2=x2;s1=y1;s2=y2;

pr1=0;

end

imshow（BW）;

end

y1=y1+c;

y2=y2+c;

end

x1=x1+r;

x2=x2+r;

end

figure，imshow（BW） %顯示均衡化后的圖像

3.2.2? 實驗結果

上述工作完成后，將會得到以下仿真結果。其中，如圖4所示為預處理前的效果，如圖5所示為灰度處理后的效果，如圖6所示為均衡化后的效果。

3.3? 對圖像進行人臉定位實驗

3.3.1? 算法實現

對預處理形成的灰度圖進行人臉定位。在MATLAB中編寫并運行如下定位人臉區域的程序，以獲得人臉定位后的仿真效果圖。

L=bwlabel（BW，8）; %找到連通區域，定義為8連通

BB=regionprops（L，'BoundingBox'）; %區域特征

BB1=struct2cell（BB）;

BB2=cell2mat（BB1）;

[s1 s2]=size（BB2）;

mx=0; %最大連通區域，初值為0

for k=3：4：s2-1

p=BB2（1，k）*BB2（1，k+1）; %求取連通區域的面積

if （p>mx & （BB2（1，k）/BB2（1，k+1））<1.8） %選取長寬比大于1.8的最大連通區域

mx=p;

j=k;

end

end

figure，imshow（I1）; %顯示灰度圖

hold on; %始終保持顯示

rectangle（'Position'，[BB2（1，j-2），BB2（1，j-1），BB2（1，j），BB2（1，j+1）]，'EdgeColor'，'r'）

%使用該函數繪制一個矩形將人臉位置框出

3.3.2? 實驗結果

上述工作完成后，得到如圖7所示的人臉定位仿真結果圖。

3.4? 對圖像進行人眼提取實驗

3.4.1? 算法實現

在人臉定位所得到的區域中進行人眼部位的提取，并在圖像中標注出人眼的位置。在MATLAB中編寫并運行如下定位人眼區域的程序，以獲得人眼定位后的仿真效果圖。

detector=vision.CascadeObjectDetector（'LeftEyeCART'）;

input_image=imread（'img3.jpg'）;

figure（）;imshow（input_image）;title（'原圖'）;

gauss_image=imgaussfilt（input_image，1）;

eyes=step（detector，gauss_image）;

size_eyes=size（eyes）;

hold on;

for i=1：size_eyes（1）;2

eyes_final=eyes（i，1：2）;

image=imcrop（gauss_image，eyes（i，：））;

rectangle（'Position'，eyes（i，：），'edgeColor'，'b'）;

image=rgb2gray（image）;

image=im2double（image）;

[grad_x，grad_y]=gradient（image）;%計算梯度

g=grad_x.*grad_x + grad_y.*grad_y;

g=sqrt（g）;%眼睛區域的梯度圖

std_g=std（g（：））;%計算標準差

mean_g=mean（g（：））;%計算平均值

g_1=g;

g_1（g_1 < mean_g + 0.5*std_g）=0;

g_2=g;

g_2（g_2 > mean_g - 0.5*std_g）=0;

g=g_1 + g_2;

temp_g=g;

w=1-image;

temp_g（temp_g～=0）=1;

grad_x=grad_x.*temp_g;

grad_y=grad_y.*temp_g;

size_img=size（image）;

Dx=repmat（1：size_img（2），size_img（1），1）;

Dy=repmat（transpose（1：size_img（1）），1，size_img（2））;%轉置

C_max=0;

X=0;

Y=0;

for x=1：size_img（2）

for y=1：size_img（1）

D_x=Dx-x;

D_y=Dy-y;

D_t=D_x.*D_x+D_y.*D_y;

E=sqrt（D_t）;

D_x=D_x./E;

D_y=D_y./E;

C_x=D_x.*grad_x;

C_y=D_y.*grad_y;

C=w（y，x）*（C_x+C_y）;

C（C<0）=0;

ind=find（isnan（C））;

C（ind）=0;

total_C=sum（sum（C））;

If （total_C>C_max）

C_max=total_C;

X=x;

Y=y;

end

end

end

plot（X+eyes_final（1），Y+eyes_final（2），'r+'，'MarkerSize'，10）;

p（i，1）=X+eyes_final（1）;

p（i，2）=Y+eyes_final（2）;

end

3.4.2? 實驗結果

上述工作完成后，將會得到如圖8所示的人眼定位仿真結果圖。

3.5? 對圖像進行匹配識別實驗

繪制如圖9所示的GUI界面，通過Training按鍵對仿真系統進行訓練，通過Input Image按鍵輸入給定的圖像，通過Testing按鍵與數據集中的圖像進行比對，顯示匹配結果。上述工作完成后，將會得到如圖10所示的仿真結果圖。

匹配成功后，會按照匹配的人臉圖像在MATLAB中顯示該圖像所對應的身份信息，完成人臉識別的工作。仿真實驗中，通過在程序中編寫“Correctly Recognized”字樣語句來顯示識別結果。

4? 結? 論

根據企業在身份識別方面的社會需求，總結了人臉識別在身份驗證領域的主要應用，并對具體方法進行了研究，為仿真實驗做好準備。由于在獲取人臉圖像時存在一定的干擾因素，故介紹三種預處理方法，可以更好地解決亮度、姿勢等方面的問題，為后續的人臉定位做好準備，提高定位的準確度。深入研究了人臉定位算法，并根據實際情況選取了基于膚色的顯式特征方法；詳細論述了該方法的使用過程，并結合實例說明該方法的適用性和有效性。從特征點定位角度出發，深入研究了人眼定位算法，總結人眼定位過程，實現特征提取的功能。在各個功能模塊中均采用實際示例進行模擬測試，測試結果表明，該算法具有良好的實用性，可在一定范圍內推廣使用。

參考文獻：

[1] 楊三永.基于機器人手眼協調的運動物體抓取方法研究 [D].廣州：廣東工業大學，2020.

[2] 陳順成.基于移動互聯網的高速小行程激光雕刻機研究與開發 [D].廣州：廣東工業大學，2020.

[3] HU X Y，CHEN Q，YE X H，et al. Research on the Region-Growing and Segmentation Technology of Micro-Particle Microscopic Images Based on Color Features [J/OL].Symmetry，2021，13（12）：[2022-09-12].https：//www.mdpi.com/2073-8994/13/12/2325.

[4] 周品.基于機器學習的人臉識別算法研究與考勤系統設計 [D].佛山：佛山科學技術學院，2020.

[5] 汪嘉明，趙發友.利用Matlab實現人臉檢測與人臉馬賽克 [J].安慶師范大學學報：自然科學版，2019，25（2）：62-65.

[6] 任杰，熊黎麗，李國勇.基于人臉識別技術的智慧課堂平臺設計及應用 [J].自動化與儀器儀表，2021（5）：121-122+127.

[7] 汪嘉明，趙發友.利用Matlab實現人臉檢測與人臉馬賽克 [J].安慶師范大學學報：自然科學版，2019，25（2）：62-65.

[8] 韓笑，張晶，李月龍.基于手勢幾何分布特征的手勢識別 [J].計算機科學，2019，46（S1）：246-249+262.

[9] 牛曉程.智能變電站視頻監控中運動物體的識別 [D].沈陽：沈陽農業大學，2018.

作者簡介：張麗芳（1988—），女，漢族，山西朔州人，講師，碩士研究生，研究方向：圖像處理。

收稿日期：2022-10-02

基金項目：2021年山東華宇工學院科技計劃項目（2021KJ12）；2021年度教學改革研究項目（2021JG01）